MétaCan
Menu
Retour à la cohorte
Enregistrement W4387738273 · doi:10.1108/jeas-05-2023-0108

Impact of technical efficiency and input-driven growth in the Indian food processing sector

2023· article· en· W4387738273 sur OpenAlexaff
Vasim Akram, Hussein Al‐Zyoud, Asheref Illiyan, Fathi Elloumi

Notice bibliographique

RevueJournal of economic and administrative sciences. · 2023
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueEfficiency Analysis Using DEA
Établissements canadiensAthabasca University
Organismes subventionnairesnon disponible
Mots-clésFood processingProductivityEconometricsReturns to scaleTechnical changePanel dataEconomicsResource efficiencyOriginalityIndustrial organizationProduction (economics)Macroeconomics

Résumé

récupéré en direct d'OpenAlex

Purpose This study examines the performance of India's food processing sector by estimating its output growth, technical efficiency (TE) and input-driven growth (IDG) Design/methodology/approach This study used panel data from six food processing manufacturing industries for the period 2000–01 to 2017–18. Technical efficiency and input-driven growth was measured using the parametric half-normal stochastic frontier production function. Findings The findings of this study showed that the estimated average technical efficiency is 86.6%, which specifies that the Indian food processing sector is technically inefficient. In addition, the output growth rate is 5.5%, driven by high doses of inputs (5.7%), whereas there is no indication of constant returns to scale. However, the food processing sector has experienced more input-driven expansion than either technological or efficiency changes. Research limitations/implications This study is limited to India's organized manufacturing food processing sector; the aggregate macro data at a three-digit level based on the national industrial classification (NIC) was used. This study provides robust estimates for industrialists and processors, as well as concrete policy formulations on how overdoses of inputs may lead to high exploitation of resources, whereas outputs can be augmented by implementing upgraded and new technologies. Originality/value Previous research has estimated the total factor productivity and technical efficiency only in order to analyze the food sector's performance, but none of the studies have evaluated the share of inputs in growth performance and efficiency. Therefore, this study contributes by measuring growth performance and the share of inputs in the growth performance of India's food processing sector.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil0,039

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,006
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,003
Études des sciences et des technologies0,0000,001
Communication savante0,0030,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,137
Tête enseignante GPT0,424
Écart entre enseignants0,287 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of economic and administrative sciences.Même sujetEfficiency Analysis Using DEATravaux en français237 207